nouvellement Qualité et préférences des aliments L’étude compare l’attrait visuel d’images alimentaires réelles et artificielles (IA).
Stade : Évaluer l'attrait visuel d'images alimentaires réelles/générées par l'IA. Crédit image : Pinkyone / Shutterstock.com
arrière-plan
Les développements récents des modèles d’IA générative ont brouillé la distinction entre réel et artificiel. Ces modèles sont très sophistiqués et peuvent apprendre à générer du nouveau contenu basé sur l'ensemble de données de formation sous-jacent. ChatGPT d'OpenAI est un exemple de modèle d'IA générative qui a reçu une attention considérable dans le monde entier.
L’imagerie alimentaire générée par l’IA est un domaine relativement nouveau qui a des implications majeures pour les plateformes d’épicerie en ligne, le secteur de l’hôtellerie et les services directs aux consommateurs. Une enquête récente menée au Royaume-Uni en 2023 a examiné la perception du public des images alimentaires originales générées par l'IA, compte tenu de leur importance pour un large éventail d'entreprises, y compris celles qui manquent de ressources, de temps ou de budget.
Les préoccupations potentielles concernant les images alimentaires basées sur l’IA incluent l’intensification de la « faim visuelle », qui implique l’induction de l’appétit et des fringales lorsque les images sont visionnées, et la nécessité de politiques de divulgation claires concernant la nature des images alimentaires générées par l’IA. Ces préoccupations motivent une étude plus approfondie des liens entre la perception du consommateur et les images alimentaires basées sur l’IA.
À propos de l'étude
À l'aide de deux sous-études, les chercheurs ont exploré la capacité des participants à l'étude à faire la distinction entre les images alimentaires originales et celles générées par l'intelligence artificielle et si cela était affecté par le degré de transformation des aliments. Ils ont également évalué l’attrait perçu des images alimentaires générées par l’IA et le rôle de la transformation des aliments par rapport aux images originales. L'effet de la révélation de la nature de l'image sur ces évaluations a également été étudié.
Lait : réel (rangée du haut) et généré par l'IA (rangée du bas) dans ses variantes non transformées (à gauche), transformées (au milieu) et ultra-transformées (à droite).
Pommes de terre : réelles (rangée du haut) et générées par l'IA (rangée du bas) dans leurs variantes non traitées (à gauche), traitées (au milieu) et hautement transformées (à droite).
Pommes : réelles (rangée du haut) et générées par l'IA (rangée du bas) dans leurs variantes non transformées (à gauche), transformées (au milieu) et hautement transformées (à droite).
Résultats
Les participants à la première étude ont très bien réussi à identifier les images alimentaires générées par l’IA, en particulier lorsqu’ils utilisaient le mode d’évaluation combiné. Selon la théorie générale de l'évaluabilité, les individus peuvent utiliser les caractéristiques de l'image pour évaluer une autre image dans le cadre d'évaluations conjointes, ce qui augmente l'évaluabilité de l'image et la sensibilité des gens à sa valeur.
Contrairement à l’évaluation séparée, le mode d’évaluation conjointe aurait pu aider les individus à distinguer avec précision les images alimentaires originales de celles générées par l’IA. Pour les aliments ultra-transformés (UPF), la reconnaissance était plus élevée, ce qui peut être dû au degré élevé de manipulation associé aux UPF, les modifications de l'IA rendant potentiellement les UPF plus artificielles et plus évidentes.
Conformément à d'autres études, le taux de reconnaissance des images générées par l'IA était inférieur à celui des images réelles, ce qui peut être dû à l'exposition des participants à de vrais aliments tout au long de leur vie. Il est important de noter que la capacité à identifier les vrais aliments générés par l’IA n’était pas corrélée. Avec l’âge, la capacité à distinguer les images réelles des images générées par l’IA diminue.
La deuxième étude a évalué l’effet de l’étiquetage sur l’attractivité perçue des photos alimentaires. Sans divulgation, les images originales ont été systématiquement jugées moins appétissantes que leurs homologues générées par l’IA. Relativement, avec la divulgation, les préférences des participants avaient tendance à se déplacer vers des images considérées comme réelles, quelle que soit la nature réelle de l'aliment.
Dans les cas où les participants étaient trompés ou ignoraient la nature de l’aliment, les aliments non transformés étaient considérés comme plus attrayants dans leurs formats basés sur l’IA. Dans l’état « informé » ou correctement évalué, les images réelles étaient jugées plus appétissantes que leurs homologues générées par l’IA.
Conclusions
Les résultats de l’étude fournissent de nouvelles informations sur la relation précise entre les perceptions des consommateurs et les images alimentaires générées par l’IA. En outre, cette étude explore l’interaction complexe entre les réponses humaines et l’innovation technologique dans le marketing alimentaire numérique.
Bien que les résultats laissent entrevoir des opportunités pour les spécialistes du marketing et l’industrie, il existe également une exacerbation potentielle de la « faim visuelle », qui pourrait potentiellement contribuer à des comportements alimentaires malsains. Pour résoudre ce problème, une divulgation claire de l’origine du contenu est extrêmement importante.
Une limite majeure de l'étude concerne la représentativité de la population générale. La tranche d’âge de plus de 65 ans était moins représentée, ce qui limite la généralisabilité des résultats.
Des stimuli spécifiques générés par un modèle d’intelligence artificielle spécifique ont été utilisés dans cette étude. Cela signifie que les résultats peuvent ne pas s’appliquer à d’autres modèles d’IA, ce qui peut conduire à différents degrés de réalisme.
Il est important de noter que les modèles génératifs progressent rapidement ; Par conséquent, les résultats de la présente étude correspondent à un instantané particulier dans le temps et comportent des limites associées. Des recherches futures sont nécessaires pour valider et développer davantage ces observations.
À l’avenir, davantage de recherches devraient être menées sur les « aliments réconfortants », dans lesquels le lien émotionnel peut servir de médiateur à l’acceptation du contenu numérique. Ces types d’études devraient tenir compte des différences dans la définition des aliments réconfortants selon les zones géographiques et les sexes. Une autre direction de recherche intéressante consiste à évaluer le rôle des odeurs alimentaires dans la perception de la nature.
Référence du magazine :
- Califano, G. et Spence, C. (2024) Évaluation de l'attrait visuel d'images alimentaires réelles/générées par l'IA. Qualité et préférences des aliments 116; 105149. est ce que je:10.1016/j.foodqual.2024.105149